Raciocínio Baseado em Casos Sistemas Especialistas convencionais: Experiência Regras Engenheiro de conhecimento Sistemas Especialistas de segunda geração: Experiência Regras Algoritmo de aprendizagem Case-based reasoning (CBR) Experiência Experiência Raciocínio Baseado em Casos Método de resolução de problemas • novos problemas são resolvidos adaptando-se soluções de antigos problemas similares • aprendizado incremental on-line, aquisição de conhecimento mais simples Funcionamento do CBR: ciclo dos 4 RE´s Recuperar problema Indexa r novo caso (alvo) novo caso caso recupe- (alvo) rado (fonte) base Reutilizar caso aprendido Reter solução final caso solução caso testado e corrigido Revisar solução sugerida Paradigma Conexionista: Redes Neurais Definição • Técnica inspirada no funcionamento do cérebro, onde neurônios artificiais, conectados em rede, são capazes de aprender e de generalizar. • Técnica de aproximação de funções por regressão não linear. Modelo de neurônio e(i) w ji sj s1 w1i sj wji s(i) f (e(i)) sn e(i) semi-linear t e s(i) wni s degrau s s sigmoide e e Redes Neurais: Arquiteturas e topologias O comportamento da rede depende da natureza dos neurônios (função de ativação) e de como eles se conectam Arquiteturas estruturação em camadas Topologias Feed-forward camada de entrada camada escondida camada de saída Feed-backward Redes Neurais: Tipos de aprendizagem Aprendizagem supervisionada (redes feed-forward ) - objetivo: aprender a associar uma entrada a uma saída desejada - Lei de Hebb: aprendizagem <-> conexão - como: ajustar os pesos visando minimizar uma função de erro w ji (t 1) w ji (t) s j i - taxa de aprendizagem (si - di), erro sj - saída do neurônio anterior j Aprendizagem Não-supervisionada (memórias autoassociativas) - objetivo: detectar e agrupar padrões nas entradas dadas - como: reforçar os pesos do neurônio (eventualmente com sua vizinhança) que melhor responde ao padrão de excitação Exemplos simples: previsão de séries temporais Training Step N Training Step N+1 input window Gm7 Cm7 F7 input window Bb Machine Learning Bb Desired Output Cm7 F7 Bb Bm7 Machine Learning Bm7 Desired Output Paradigma Evolutivo: Algoritmos Genéticos EVOLUÇÃO • diversidade é gerada por cruzamento e mutações • os seres mais adaptados ao seus ambientes sobrevivem (seleção natural) • as características genéticas de tais seres são herdadas pelas próximas gerações Algoritmos genéticos: Definição • Método probabilista de busca para resolução de problemas (otimização) “inspirado” na teoria da evolução Algoritmos Genéticos Idéia: • indivíduo = solução • faz evoluir um conjunto de indivíduos mais adaptados por cruzamento através de sucessivas gerações • fitness function f(i): R ->[0,1] Aprendizagem • on-line, numeríca Exemplo: ~compint\public_html\aulas-IAS\programas\ga\tsp2.exe Aprendizagem Baseada em Explicação (EBL) Idéia • o agente aprende paulatinamente, usando o que já sabe, i.e. seu conhecimento a priori (background knowledge) • Aprendizagem fica mais rápida pois o conhecimento pode ser usado para reduzir a busca no espaço de hipótese Novo esquema: indução com conhecimento Conhecimento à priori Observações Aprendizagem indutiva Hipótese Esquema clássico: indução pura Predições Aprendizagem Baseada em Explicação (EBL) Exemplo • homem das cavernas explica a razão do sucesso => Regra: qualquer coisa longa, fina, rígida pode ajudar a assar carnes sobre o fogo balanço • conhecimento serve para explicar a hipótese, que explica as observações, • não se aprende nada de novo pois o exemplo já podia ser derivado mas iria custar caro pois os homens não tinham consciência disto A construção da explicação • pode ser uma prova lógica ou qualquer processo de resolução de problemas • o importante é identificar quais são as condições nas quais estes passos podem ser reaplicados Exemplo Regras da base de conhecimento • • • • • • Mata(x,x) Suicida(x) Detesta(x,x) Depressivo(x) Compra(x,y) Possui(x,y) Detesta(x,y) Possui (x,z) Arma(z) Mata (x,y) Punhal(x) Arma(x) Pistola(x) Arma(x) Fatos da base de conhecimento • • • • • • Suicida(João) CorDosOlhos(João, Azuis) Compra(João,Objeto) Pistola(Objeto) Depressivo(João) Louro(João) Árvore de prova Suicida(João) R1 Mata(João,João) R4 Detesta(João,João) R2 Depressivo(João) Possui(João,Objeto) R3 Compra(João,Objeto) Arma(Objeto) R6 Pistola(Objeto) Note que olhos azuis e outras coisas não foram consideradas E agora? Ainda restam muitas particularidades. É preciso generalizar! EBL constrói uma segunda árvore de prova “variabilizando” a consulta • constantes substituídas por variáveis • usa a mesma seqüência de regras Uma vez esta árvore pronta, • toma-se apenas as folhas com eventuais substituições e forma-se uma nova regra Generalizando... Suicida(x) R1 Mata(x,x) R4 Detesta(x,x) R2 Depressivo(x) Possui(x,y) R3 Compra(x,y) Arma(y) R6 Pistola(y) Regra final • Depressivo(x) Compra (x,y) Pistola(y) Suicida (x)